特開 2023-172333 異常検知システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023172333

(43)【公開日】2023-12-06

(54)【発明の名称】異常検知システム

(51)【国際特許分類】

   G01M 99/00 20110101AFI20231129BHJP

   G05B 23/02 20060101ALI20231129BHJP

   B29C 45/03 20060101ALI20231129BHJP

   G01N 29/14 20060101ALI20231129BHJP

   G01N 29/44 20060101ALI20231129BHJP

【ＦＩ】

G01M99/00 Z

G05B23/02 Z

G05B23/02 302Z

B29C45/03

G01N29/14

G01N29/44

【審査請求】未請求

【請求項の数】5

【出願形態】ＯＬ

(21)【出願番号】P 2022084043

(22)【出願日】2022-05-23

(71)【出願人】

【識別番号】000241500

【氏名又は名称】トヨタ紡織株式会社

(74)【代理人】

【識別番号】100105957

【弁理士】

【氏名又は名称】恩田 誠

(74)【代理人】

【識別番号】100068755

【弁理士】

【氏名又は名称】恩田 博宣

(72)【発明者】

【氏名】小澤 博

【テーマコード（参考）】

2G024

2G047

3C223

4F206

【Ｆターム（参考）】

2G024AD08

2G024BA27

2G024CA13

2G024DA28

2G024FA06

2G024FA14

2G024FA15

2G047AA05

2G047AC05

2G047BA05

2G047BC03

2G047BC11

2G047EA10

2G047GG06

2G047GG20

2G047GG33

2G047GG37

2G047GG38

3C223AA12

3C223BA03

3C223CC02

3C223DD03

3C223EB02

3C223FF03

3C223FF04

3C223FF16

3C223FF22

3C223FF26

3C223FF33

3C223GG01

3C223HH02

4F206AM04

4F206JA07

4F206JL02

4F206JP11

4F206JP15

4F206JP30

(57)【要約】

【課題】製造装置の異常の有無を精度良く判定することができる異常検知システムを提供する。
【解決手段】異常検知システム２０は、データ収集部３１、大容量記憶部２４、モデル判定部３４を備える。データ収集部３１は、射出成形機１０に設けられたＡＥセンサ２５，２６の検出信号の時系列データである検出データ２４２を収集する。検出データ２４２は、射出成形機１０における１回の加工を実行する実行期間におけるＡＥセンサ２５，２６の検出信号である。大容量記憶部２４は、検出データ２４２の平均値、標準偏差、および最大値のうちの少なくとも１つを特徴量として学習された学習判定モデル２４１を記憶する。モデル判定部３４は、データ収集部３１によって収集される検出データ２４２を入力データとして、大容量記憶部２４に記憶された学習判定モデル２４１をもとに、射出成形機１０の異常の有無を判定する。
【選択図】図１

【特許請求の範囲】

【請求項1】

同一の加工を繰り返し実行する製造装置の異常を検知する異常検知システムであって、
前記製造装置に設けられたＡＥセンサによって前記製造装置における１回の加工を実行する実行期間におけるＡＥ波の時系列データを収集するデータ収集部と、
前記時系列データの平均値、標準偏差、および最大値のうちの少なくとも１つを特徴量として学習された学習判定モデルを記憶する記憶部と、
前記データ収集部によって収集される前記時系列データを入力データとして、前記記憶部に記憶された前記学習判定モデルをもとに、前記製造装置の異常の有無を判定するモデル判定部と、を備える異常検知システム。

【請求項2】

前記学習判定モデルは、前記平均値、前記標準偏差、および前記最大値のうちの少なくとも２つを特徴量として学習されたモデルである
請求項１に記載の異常検知システム。

【請求項3】

前記製造装置による前記加工を開始した当初の所定期間において、前記データ収集部により収集された前記時系列データを正常データとして用いて学習することで、前記学習判定モデルを構築するモデル構築部を有する
請求項１または２に記載の異常検知システム。

【請求項4】

前記製造装置は、前記ＡＥセンサとして、測定周波数の異なる２種類のものが設けられており、
前記データ収集部は、前記２種類の前記ＡＥセンサについて各別に前記時系列データを収集するものであり、
前記記憶部は、前記２種類の前記ＡＥセンサについての前記時系列データをもとに学習された前記学習判定モデルを記憶するものである
請求項１に記載の異常検知システム。

【請求項5】

前記ＡＥセンサにより検出される前記ＡＥ波の強度が、予め定められた所定の瞬時判定値を超えたときに、前記製造装置を強制停止する瞬時判定部を備える
請求項１に記載の異常検知システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、異常検知システムに関するものである。

【背景技術】

【0002】

従来、製造装置に設けられたアコースティックエミッション（ＡＥ）センサによって同製造装置が発するＡＥ波を検出するとともに、その検出値に基づいて製造装置の異常を検知する異常検知システムが知られている（例えば特許文献１）。特許文献１に記載の異常検知システムでは、射出成形機にＡＥセンサが設けられている。そして、射出成形機の作動中に、ＡＥセンサによって検出されるＡＥ波の瞬時値が予め定められた閾値よりも大きくなったことに基づいて、射出成形機の異常が検知される。この異常検知システムでは、射出成形機に異常（変形や亀裂など）の異常が生じたときに、射出成形機の内部で発生した弾性波が伝わることによって同射出成形機の表面に現れる振動（ＡＥ波）をＡＥセンサによって検出することで、射出成形機の異常が検知される。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特許第４２１２４１９号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

射出成形機は、多数の可動部分を有している。射出成形機の作動に際しては、そうした可動部分がそれぞれ作動音を発する。射出成形機において生じる異常の種類によっては、通常運転時に射出成形機から発せられる音波の強度が、異常時に射出成形機から発せられる音波（ＡＥ波を含む）の強度よりも大きくなる場合があることが分かった。そして、この場合には、ＡＥセンサによって検出されるＡＥ波の瞬時値と予め定められた閾値との大小関係をもとに異常を検知する特許文献１の異常検知システムでは、射出成形機の異常を検知することができなくなってしまう。

【0005】

なお、こうした実情は、射出成形機の異常を検知する異常検知システムに限らず、マシニングセンターやプレス加工機など、多数の可動部分を有する製造装置の異常を検知する装置検知システムにおいては概ね共通している。

【課題を解決するための手段】

【0006】

上記課題を解決するための異常検知システムは、同一の加工を繰り返し実行する製造装置の異常を検知する異常検知システムであって、前記製造装置に設けられたＡＥセンサによって前記製造装置における１回の加工を実行する実行期間におけるＡＥ波の時系列データを収集するデータ収集部と、前記時系列データの平均値、標準偏差、および最大値のうちの少なくとも１つを特徴量として学習された学習判定モデルを記憶する記憶部と、前記データ収集部によって収集される前記時系列データを入力データとして、前記記憶部に記憶された前記学習判定モデルをもとに、前記製造装置の異常の有無を判定するモデル判定部と、を備える。

【0007】

製造装置の通常運転時と異常発生時との違いは、実行期間におけるＡＥセンサの検出信号の波形に現れる。上記構成によれば、実行期間におけるＡＥセンサの検出信号の波形に相当する時系列データをもとに学習させた学習済みの学習判定モデルが用意される。そのため、この学習済みの学習判定モデルを利用して、製造装置の異常の有無を精度良く判定することができる。

【図面の簡単な説明】

【0008】

【図1】異常検知システムの一実施形態の概略構成を示すブロック図である。

【図2】異常検知システムの特徴量抽出部による統計値の抽出態様を示すブロック図である。

【図3】異常検知処理の実行手順を示すフローチャートである。

【図4】学習処理の実行手順を示すフローチャートである。

【図5】判定処理の実行手順を示すフローチャートである。

【発明を実施するための形態】

【0009】

以下、異常検知システムの一実施形態について説明する。
先ず、本実施形態の異常検知システムが適用される製造装置としての射出成形機について説明する。

【0010】

＜射出成形機１０＞
図１に示すように、射出成形機１０は、金型装置１１、型締め装置１２、計量機１３を有する。

【0011】

金型装置１１は、金型１１１、およびエジェクタ装置１１２を有する。金型１１１は、固定型と可動型とを有する。金型１１１を利用して、同一の樹脂成形品が繰り返し成形される。エジェクタ装置１１２は、金型１１１からワークを取り出すためのものである。エジェクタ装置１１２は、ワークを押し出すためのエジェクタピンを有する。射出成形機１０は、金型装置１１を交換可能な構造になっている。

【0012】

型締め装置１２は、金型１１１の「型締め」や「型開き」を実行するものである。型締め装置１２は、可動型を移動させるためのシリンダや、同可動型を案内する案内機構などを有している。

【0013】

計量機１３は、計量装置１３１および移動装置１３２を有している。計量装置１３１は、型締め状態の金型１１１の内部に溶融樹脂を計量しつつ充填するものである。移動装置１３２は、計量装置１３１を金型１１１に接続する位置、および金型１１１との接続を解除する位置のいずれかに移動させるものである。

【0014】

射出成形機１０は、制御装置１４を有する。制御装置１４は、エジェクタ装置１１２の作動制御、型締め装置１２の作動制御、移動装置１３２の作動制御などといった射出成形機１０の運転にかかる各種制御を実行する。

【0015】

射出成形機１０は、以下の手順で、樹脂成形品の成形を繰り返し実行する。
先ず、型締め装置１２の作動制御を通じて金型１１１の型締めが実行されるとともに、移動装置１３２の作動制御を通じて金型１１１に計量機１３の計量装置１３１が接続される。その後、計量装置１３１の作動制御を通じて同計量装置１３１から金型１１１の内部に溶融樹脂が充填される。その後においては、型締め装置１２の作動制御を通じて金型１１１の型開きが実行される。そして、エジェクタ装置１１２の作動を通じて、金型１１１からワークが取り出される。

【0016】

＜異常検知システム２０＞
次に、本実施形態の異常検知システム２０について説明する。
異常検知システム２０は、制御装置２１、入力部２２、表示部２３、および大容量記憶部２４を有する。

【0017】

制御装置２１は、制御部２１１および記憶部２１２を有している。制御部２１１はＣＰＵや、ＭＰＵ、ＧＰＵ等の演算処理装置を有している。制御部２１１は、記憶部２１２に記憶された制御プログラム３０を読み出して実行することにより、射出成形機１０の異常検知にかかる各種の情報処理、制御処理等を実行する。記憶部２１２は、ＲＡＭやＲＯＭ等のメモリ素子を有している。記憶部２１２は、制御部２１１による各種の演算処理の実行のために必要な制御プログラム３０を記憶している。また、記憶部２１２は、制御部２１１による各種の演算処理の実行のために必要なデータ等を一時的に記憶する。

【0018】

入力部２２は、マウス、キーボード、タッチパネル、ボタン等の入力デバイスである。入力部２２は、操作情報を制御部２１１へ出力する。
表示部２３は、液晶ディスプレイや有機ＥＬディスプレイ等の表示装置を有している。表示部２３は、制御部２１１から入力される信号に応じて各種情報を表示する。

【0019】

大容量記憶部２４は、ＨＤＤやＳＳＤ等の記録媒体を備える。大容量記憶部２４には、学習判定モデル２４１や検出データ２４２などが記憶されている。
学習判定モデル２４１は、後述するアコースティックエミッション（ＡＥ）センサ２５，２６によって検出されるＡＥ波の時系列データに基づいて、射出成形機１０の異常に関する情報を出力する異常検知器である。学習判定モデル２４１は、機械学習により生成された学習済みモデルである。検出データ２４２は、ＡＥセンサ２５，２６によって検出されるＡＥ波の時系列データである。本実施形態では、検出データ２４２は、学習済みの学習判定モデル２４１を利用して射出成形機１０の異常の有無を判定する際に、同学習判定モデル２４１に入力される入力データとして利用される。検出データ２４２の一部は、学習判定モデル２４１を構築（学習）するための訓練データとして利用される。

【0020】

なお、記憶部２１２および大容量記憶部２４は一体の記憶装置として構成してもよい。また、大容量記憶部２４は複数の記憶装置によって構成することができる。異常検知にかかる各種の処理は、１つの情報処理装置で実行したり、複数の情報処理装置で分散して実行したり、仮想マシンで分散して実行したりすることができる。その他、異常検知にかかる各種の処理は、通信環境を有するサーバ装置等によって実行することも可能である。

【0021】

異常検知システム２０は、２つのＡＥセンサ２５，２６を有している。ＡＥセンサ２５，２６は、金型１１１、詳しくは固定型に取り付けられている。ＡＥセンサ２５，２６は、金型１１１の表面の振動を検出するためのものである。ＡＥセンサ２５，２６によって検出される振動にはＡＥ波が含まれる。ＡＥセンサ２５，２６としては、測定周波数の異なる２種類のものが採用されている。ＡＥセンサ２５，２６としては、測定周波数の高い（例えば、１５０ｋＨｚ）ものと、測定周波数の低い（例えば、６０ｋＨｚ）ものとが採用されている。ＡＥセンサ２５，２６の検出信号は、射出成形機１０の制御装置１４を介して制御装置２１に取り込まれている。測定周波数の高いＡＥセンサ２５は、比較的近い部位における高精度でのＡＥ波の監視に適している。一方、測定周波数の低いＡＥセンサ２６は、検出精度が比較的低くなるものの、遠い部位を含む広範囲でのＡＥ波の監視に適している。

【0022】

射出成形機１０では、例えば以下に挙げる部材において、変形や亀裂などの異常が発生するおそれがある。同部材としては、金型装置１１のスライドコアやエジェクタピンの他、型締め装置１２の型締め用シリンダやタイバー、固定ブロック、計量装置１３１の計量用シリンダや駆動用モータ、並びに移動装置１３２の案内機構などが挙げられる。

【0023】

本実施形態の射出成形機１０では、いずれの部材においても、射出成形機１０の運転に際して変形や亀裂などの異常が発生した場合には、これに伴い金型１１１の表面に現れるＡＥ波がＡＥセンサ２５，２６によって検出されるようになる。詳しくは、射出成形機１０の運転時において上記異常が発生すると、同射出成形機１０の通常運転に伴い発生する作動音に加えて、異常発生に起因して発生するＡＥ波が、ＡＥセンサ２５，２６によって検出されるようになる。

【0024】

ＡＥセンサ２５，２６によって検出されるＡＥ波は、実際に物質が破損する前段階、詳しくは物質に大きな歪みや圧力がかかった段階で発生する。こうしたＡＥ波をＡＥセンサ２５，２６によって検出することにより、射出成形機１０において実際に破損や故障が生じる前段階の事象を捉えて把握することができる。本実施形態の異常検知システム２０では、ＡＥセンサ２５，２６によるＡＥ波の検出を通じて、射出成形機１０の異常についての予兆を検知するようにしている。

【0025】

本実施形態では、測定周波数の高いＡＥセンサ２５によって、金型１１１や、エジェクタ装置１１２、型締め装置１２など、同ＡＥセンサ２５に比較的近い部位に設けられた部材の異常に伴い発生するＡＥ波を高い精度で検出することができる。また、測定周波数の低いＡＥセンサ２６によって、計量機１３など、同ＡＥセンサ２６から遠い部位に配置される部材の異常に伴い発生するＡＥ波を検出することもできる。したがって、２種類のＡＥセンサ２５，２６の検出信号に基づいて射出成形機１０の全体を監視して同射出成形機１０の異常を検知することができる。このように本実施形態によれば、２種類のＡＥセンサ２５，２６を用いて、高い自由度で、射出成形機１０の異常を検知することができる。

【0026】

本実施形態の異常検知システム２０は、ＡＥセンサ２５，２６の検出信号を利用して、１クラスサポートベクターマシン（以下、１クラスＳＶＭ）により、射出成形機１０の異常を検知する機能を有する。具体的には、制御装置２１は、機能部として、データ収集部３１、特徴量抽出部３２、モデル構築部３３、モデル判定部３４、および異常報知部３５を備える。

【0027】

＜データ収集部３１＞
データ収集部３１は、射出成形機１０によって樹脂成形品が成形される毎に、射出成形機１０における１回の加工を実行する実行期間（具体的には、１つの樹脂成形品を成形する期間）にＡＥセンサ２５，２６によって検出されるＡＥ波の時系列データを収集する。詳しくは、データ収集部３１は、ＡＥセンサ２５，２６の検出信号のうちの時系列における略法絡線上にあたる信号のみを選択的に取り出す処理、いわゆる法絡線検波によって、ＡＥセンサ２５，２６の検出信号の時系列データを収集する。そして、データ収集部３１は、時系列データの収集が完了する度に、収集した時系列データを１つのデータ（検出データ２４２）として大容量記憶部２４に記憶する。データ収集部３１は、２種類のＡＥセンサ２５，２６について各別に検出データ２４２を収集する。

【0028】

＜特徴量抽出部３２＞
特徴量抽出部３２は、データ収集部３１により収集されて大容量記憶部２４に記憶された検出データ２４２から、その統計値を特徴量として抽出する。

【0029】

図２に示すように、本実施形態では、特徴量抽出部３２が抽出する統計値として、検出データ２４２についての平均値、標準偏差、最大値、中央値が採用されている。また本実施形態では、特徴量抽出部３２が抽出する統計値として、上記平均値、標準偏差、最大値、および中央値のうちの２値の相関を示す値が採用されている。具体的には、平均値と標準偏差との相関を示す値、平均値と最大値との相関を示す値、平均値と中央値との相関を示す値、標準偏差と最大値との相関を示す値、標準偏差と中央値との相関を示す値、および、最大値と中央値との相関を示す値が採用されている。なお上記統計値としては、射出成形機１０の通常運転時と異常発生時との差が大きくなる値を採用すればよい。上記統計値としては、上記各値の他に、例えば検出データ２４２についての最小値や、実効値（二乗平均平方根に相当する値）、最頻値などを採用することができる。特徴量抽出部３２は、ＡＥセンサ２５に対応する検出データ２４２、およびＡＥセンサ２６に対応する検出データ２４２の各々について、その統計値を特徴量として抽出する。

【0030】

＜モデル構築部３３＞
モデル構築部３３は、機械学習のアルゴリズムとして１クラスＳＶＭ（One Class Support Vector Machine）を用いて、検出データ２４２（正常領域のデータ）を訓練データとして機械学習させることで、異常値との識別境界を決定する。モデル構築部３３は、当該識別境界を基準として異常の検出が可能な学習判定モデル２４１を生成する。具体的には、モデル構築部３３は、１クラスＳＶＭを用いて、正常・異常の２クラスの分離超平面を教師なし学習する。１クラスＳＶＭは、教師なしで学習した良品の学習値からの外れ値（outliers）を検出するアルゴリズムである。

【0031】

モデル構築部３３は、所定の学習期間において、ＡＥセンサ２５，２６によって検出された検出データ２４２を正常データ（正常領域のデータ）として取り扱う。具体的には、射出成形機１０に金型装置１１がセットされた場合に、その後に射出成形機１０による樹脂成形品の成形を開始した当初の所定期間においてＡＥセンサ２５，２６によって検出される検出データ２４２を、正常データとして利用する。検出データ２４２をもとに学習判定モデル２４１を構築する処理は、所定の学習期間が終了するまで実行される。所定の学習期間としては、例えば射出成形機１０による樹脂成形品の成形が開始されてから、所定数（例えば３０個）の樹脂成形品の成形が終了するまでの期間が定められている。金型装置１１をセットした後において射出成形機１０による加工を開始した当初においては、金型装置１１を含む射出成形機１０のメンテナンスが行われた直後であるなど、射出成形機１０が正常に作動している可能が高い。本実施形態では、そうした期間において得られる検出データ２４２が正常領域のデータとして取り扱われる。

【0032】

本実施の形態では、学習判定モデル２４１が１クラスＳＶＭであるものとして説明する。学習判定モデル２４１は、アイソレーションフォレスト（Isolation Forest）、ＬＯＦ（Local Outlier Factor［局所外れ値因子］）、ＣＮＮ（Convolutional Neural Network）、ＲＮＮ（Recurrent Neural Network）であってもよい。また、学習判定モデル２４１は、ベイジアンネットワークまたは回帰木等の任意の学習アルゴリズムで構築された学習済みモデルであってよい。

【0033】

＜モデル判定部３４＞
モデル判定部３４は、所定の学習期間の経過後において、検出データ２４２の収集が完了する度に、同検出データ２４２を入力データとして、学習済みの学習判定モデル２４１をもとに、射出成形機１０の異常の有無を判定する。

【0034】

本実施形態では、学習判定モデル２４１が構築されると、同学習判定モデル２４１における正常領域のデータとそれ以外のデータとを分類する判定基準としての閾値Ｔｈ（－１．０≦Ｔｈ≦１．０）が設定される。そして、学習判定モデル２４１を利用した異常検知に際しては、学習判定モデル２４１に検出データ２４２の各統計値が入力される。これにより、学習判定モデル２４１から警告指数ＩＮ（－１．０≦ＩＮ≦１．０）が出力される。警告指数ＩＮは「－１．０」に近い値ほど射出成形機１０が「正常」である可能性が高いことを示す値であり、且つ「１．０」に近い値ほど射出成形機１０が「異常」である可能性が高いことを示す値である。そして、この警告指数ＩＮが上記閾値Ｔｈ（例えば、０．４）よりも大きい場合には、射出成形機１０が「異常」と判定される。一方、警告指数ＩＮが閾値Ｔｈ以下である場合には射出成形機１０が「正常」と判定される。

【0035】

＜異常報知部３５＞
異常報知部３５は、警告指数ＩＮが閾値Ｔｈよりも大きくなると、射出成形機１０の異常を検知した旨を報知するように、表示部２３に報知指令を出力する。そして、警告指数ＩＮが閾値Ｔｈよりも大きくなる状況が、連続することなく１回のみ検知された場合、あるいは２回連続して検知された場合には、表示部２３には「警告」が報知される。この場合には、表示部２３への表示による「警告」のみで、射出成形機１０の作動は停止されることなく継続される。一方、警告指数ＩＮが閾値Ｔｈよりも大きくなる状況が３回以上連続して検知されると、表示部２３には「異常」が報知される。この場合には、今回の樹脂成形品の成形が完了した時点で、射出成形機１０の作動が強制的に停止される。

【0036】

＜瞬時判定部３６＞
制御装置２１は、機能部として、瞬時判定部３６を有している。瞬時判定部３６は、ＡＥセンサ２５，２６により検出されるＡＥ波の強度が予め定められた所定の瞬時判定値を超えたときに、射出成形機１０を強制停止させる機能を有する。

【0037】

本実施形態では、ＡＥセンサ２５の検出値Ｖ１に対応する瞬時判定値Ｖｈ１と、ＡＥセンサ２６の検出値Ｖ２に対応する瞬時判定値Ｖｈ２とが各別に設定されている。瞬時判定値Ｖｈ１，Ｖｈ２としては、学習判定モデル２４１によって異常判定されるようになるＡＥ波の強度に相当する値と比較して、ごく大きい強度に相当する値が設定される。瞬時判定部３６は、そのときどきのＡＥセンサ２５の検出値Ｖ１が瞬時判定値Ｖｈ１よりも大きくなると、射出成形機１０を強制的に停止させる。また瞬時判定部３６は、ＡＥセンサ２６の検出値Ｖ２が瞬時判定値Ｖｈ２よりも大きくなったときに、射出成形機１０を強制的に停止させる。

【0038】

本実施形態によれば、ＡＥセンサ２５，２６により検出されるＡＥ波の強度（瞬時値）が異常に大きくなったときには、データ収集部３１による実行期間における検出データ２４２の収集が終わるのを待たずに、射出成形機１０を強制停止させることができる。これにより、異常状態で射出成形機１０の作動が継続されることに起因して、同射出成形機１０の異常（変形や亀裂など）の度合いが大きくなったり、新たな異常が発生したりすることを抑えることができる。

【0039】

＜作用＞
以下、射出成形機１０の異常を検知する処理（異常検知処理）の実行手順について、図３～図５を参照して説明する。

【0040】

図３に示すように、射出成形機１０に金型装置１１がセットされると、先ずは機械学習によって学習判定モデル２４１を構築する処理（学習処理）が実行される（ステップＳ１）。

【0041】

図４に示すように、学習処理では先ず、機械学習が未完了である場合には（ステップＳ１０：ＹＥＳ）、データ収集部３１による検出データ２４２の収集が実行される（ステップＳ１１）。そして、データ収集部３１によって収集された検出データ２４２をもとに、学習判定モデル２４１を構築する処理が実行される（ステップＳ１２）。

【0042】

その後、金型装置１１をセットして後において検出データ２４２の収集と同検出データ２４２に基づく機械学習とが所定回数（例えば、３０回）にわたり実行されたか否かが判断される（ステップＳ１３）。そして、検出データ２４２の収集と同検出データ２４２に基づく機械学習とが所定回数にわたって繰り返されるまで（ステップＳ１３：ＮＯ）、ステップＳ１１の処理およびステップＳ１２の処理が繰り返し実行される。そして、検出データ２４２の収集と同検出データ２４２に基づく機械学習とが所定回数にわたり繰り返されると（ステップＳ１３：ＹＥＳ）、機械学習が完了される（ステップＳ１４）。

【0043】

図３に示すように、学習処理（図４参照）が完了すると、射出成形機１０の異常の有無を判定する処理（判定処理）が実行される（ステップＳ２）。
図５に示すように、判定処理においては、ＡＥセンサ２５の検出値Ｖ１が瞬時判定値Ｖｈ１よりも大きい場合には（ステップＳ２０：ＮＯ）、射出成形機１０が強制的に停止される（ステップＳ２１）。また、ＡＥセンサ２６の検出値Ｖ２が瞬時判定値Ｖｈ２よりも大きい場合には（ステップＳ２０：ＹＥＳ、且つステップＳ２２：ＮＯ）、射出成形機１０が強制的に停止される（ステップＳ２１）。

【0044】

検出値Ｖ１が瞬時判定値Ｖｈ１以下であり（ステップＳ２０：ＹＥＳ）、且つ、検出値Ｖ２が瞬時判定値Ｖｈ２以下である場合には（ステップＳ２２：ＹＥＳ）、学習判定モデル２４１を利用した異常検知が実行される（ステップＳ２３～ステップＳ２９）。

【0045】

先ず、１回の加工を実行する実行期間における検出データ２４２の収集が完了しているか否かが判断される（ステップＳ２３）。そして、検出データ２４２の収集が完了していない場合には（ステップＳ２３：ＮＯ）、以下の処理を実行することなく、本処理は終了される。

【0046】

１回の加工を実行する実行期間における検出データ２４２の収集が完了すると（ステップＳ２３：ＹＥＳ）、同検出データ２４２に基づいて学習判定モデル２４１をもとに射出成形機１０の異常の有無が判定される（ステップＳ２４）。

【0047】

この判定において「異常」が検知されない場合には（ステップＳ２５：ＮＯ）、以下の処理（ステップＳ２６～ステップＳ２９）を実行することなく、本処理は終了される。
上記判定（ステップＳ２４）において「異常」が検知された場合には（ステップＳ２５：ＹＥＳ）、「異常」の検知が、連続３回以上にわたり繰り返されたか否かが判断される（ステップＳ２６）。

【0048】

そして、「異常」の検知が、連続３回以上にわたり繰り返されていない場合には（ステップＳ２６：ＮＯ）、警告判定がなされる（ステップＳ２７）。一方、「異常」検知が連続３回以上にわたり繰り返された場合には（ステップＳ２６：ＹＥＳ）、異常判定がなされる（ステップＳ２８）。こうして「警告判定」および「異常判定」のいずれかがなされた後、１つの樹脂成形品の成形にかかる射出成形機１０の作動が完了しており、且つ、「異常判定」がなされたか否かが判断される（ステップＳ２９）。

【0049】

ここで、１つの樹脂成形品の成形にかかる射出成形機１０の一連の作動が完了していない場合や、一連の作動において「異常判定」がなされなかった場合には（ステップＳ２９：ＮＯ）、ステップＳ２１の処理を実行することなく、本処理は終了される。一方、樹脂成形品の成形にかかる射出成形機１０の一連の作動が完了しており、且つ、一連の作動において「異常判定」がなされた場合には（ステップＳ２９：ＹＥＳ）、射出成形機１０が強制的に停止される（ステップＳ２１）。

【0050】

本実施形態によれば、以下に記載する作用効果が得られる。
（１）異常検知システム２０は、データ収集部３１と、大容量記憶部２４と、モデル判定部３４とを有する。データ収集部３１は、１つの樹脂成形品を成形する実行期間におけるＡＥセンサ２５，２６の検出信号の時系列データ（検出データ２４２）を収集する。大容量記憶部２４は、検出データ２４２の平均値、標準偏差、および最大値のうちの少なくとも１つを特徴量として学習された学習判定モデル２４１を記憶する。モデル判定部３４は、データ収集部３１によって収集される検出データ２４２を入力データとして、大容量記憶部２４に記憶された学習判定モデル２４１をもとに、射出成形機１０の異常の有無を判定する。

【0051】

射出成形機１０の通常運転時と異常発生時との違いは、実行期間におけるＡＥセンサ２５，２６の検出信号の波形に現れる。ＡＥセンサ２５，２６によってＡＥ波を検出することにより、射出成形機１０において実際に破損や故障が生じる前段階の事象を捉えて把握することができる。

【0052】

本実施形態によれば、実行期間におけるＡＥセンサ２５，２６の検出信号の波形に相当する検出データ２４２をもとに学習させた学習済みの学習判定モデル２４１が用意される。そのため、この学習済みの学習判定モデル２４１を利用して、射出成形機１０の異常についての予兆を検知する態様で、射出成形機１０の異常の有無を精度良く判定することができる。

【0053】

（２）学習判定モデル２４１は、検出データ２４２についての平均値、標準偏差、および最大値を含む複数の統計値を特徴量として学習されたモデルである。
本実施形態によれば、検出データ２４２についての１つの統計値のみを特徴量として学習された学習判定モデルを利用する場合と比較して、複数の統計値をもとに詳しく解析する態様で射出成形機１０の異常の有無を精度よく判定することができる。しかも、射出成形機１０の異常の有無の判定において、検出データ２４２の各統計値についての個々の値の数値分散を考慮するだけでなく、複数の統計値の相関を考慮することができる。そのため、射出成形機１０の通常運転時と異常発生時との間でのＡＥセンサ２５，２６の検出信号の波形の違いを細かく判別することが可能になる。

【0054】

（３）射出成形機１０に金型装置１１がセットされた場合に、その後に樹脂成形品の形成を開始した当初の所定期間において、データ収集部３１により収集された検出データ２４２を正常データとして用いて学習することで学習判定モデル２４１を構築する。

【0055】

金型装置１１をセットした後に射出成形機１０による加工を開始した当初においては、金型装置１１を含む射出成形機１０のメンテナンスが行われた直後であるなど、射出成形機１０が正常に作動している可能が高い。本実施形態では、そうした期間において得られる検出データ２４２を正常領域のデータとして用いることで、機械学習を適正に実行することができるため、学習判定モデル２４１を適正に構築することができる。

【0056】

（４）射出成形機１０は、測定周波数の異なる２種類のＡＥセンサ２５，２６を有する。データ収集部３１は、２種類のＡＥセンサ２５，２６について各別に検出データ２４２を収集する。大容量記憶部２４は、２種類のＡＥセンサ２５，２６についての検出データ２４２をもとに学習された学習済みの学習判定モデル２４１を記憶する。本実施形態によれば、２種類のＡＥセンサ２５，２６を用いて、高い自由度で射出成形機１０の異常を検知することができる。

【0057】

（５）異常検知システム２０は、瞬時判定部３６を有する。瞬時判定部３６は、ＡＥセンサ２５，２６の検出値Ｖ１，Ｖ２が予め定められた所定の瞬時判定値Ｖｈ１，Ｖｈ２を超えたときに、射出成形機１０を強制停止する。これにより、異常状態で射出成形機１０の作動が継続されることに起因して、同射出成形機１０の異常（変形や亀裂など）の度合いが大きくなったり、新たな異常が発生したりすることを抑えることができる。

【0058】

＜変更例＞
なお、上記実施形態は、以下のように変更して実施することができる。上記実施形態および以下の変更例は、技術的に矛盾しない範囲で互いに組み合わせて実施することができる。

【0059】

・黄色灯などの警告灯や赤色灯などの異常灯を設けるようにしてもよい。この構成においては、判定処理（図５）において警告判定がなされた場合に警告灯を点灯したり、判定処理において異常判定がなされた場合に異常灯を点灯したりすることができる。

【0060】

・ＡＥセンサ２５，２６を取り付ける部材は、金型１１１の固定型に限らず、金型１１１の可動型など、任意に変更することができる。例えば、２つのＡＥセンサ２５，２６の一方を計量機１３に取り付けたり、エジェクタ装置１１２に取り付けたりしてもよい。

【0061】

・射出成形機１０に３つ以上のＡＥセンサを取り付けるようにしてもよい。また、射出成形機１０に、ＡＥセンサを１つのみ設けるようにしてもよい。
・測定周波数が「３００ｋＨｚ」のＡＥセンサを採用するなど、任意の測定周波数のＡＥセンサを採用することができる。

【0062】

・異常検知システム２０において利用する検出データ２４２の統計値は、平均値、標準偏差、および最大値のうちの少なくとも１つを含むのであれば、任意に変更することができる。異常検知システム２０において利用可能な統計値としては、平均値、標準偏差、最大値、中央値、実効値、最小値、最頻値などを挙げることができる。その他、異常検知システム２０において利用可能な統計値としては、平均値、標準偏差、最大値、中央値、実効値、最小値、および最頻値のうちの２値の相関を示す値などを挙げることができる。

【0063】

例えば、異常検知システム２０において利用する検出データ２４２の統計値として、中央値を利用することなく、平均値、標準偏差、および最大値を利用するようにしてもよい。この場合には、平均値、標準偏差、および最大値のうちの２値の相関を示す値を、検出データ２４２の統計値として利用することができる。また、異常検知システム２０において利用する検出データ２４２の統計値として、平均値、標準偏差、および最大値のうちの２つのみを利用するようにしてもよい。この場合には、異常検知システム２０において利用する２つの統計値の相関を示す値を利用するようにしてもよい。その他、異常検知システム２０において利用する検出データ２４２の統計値として、平均値、標準偏差、および最大値のうちの１つのみを利用することなども可能である。

【0064】

・瞬時判定部３６を省略してもよい。具体的には、判定処理（図５）において、瞬時判定値Ｖｈ１，Ｖｈ２に基づく判定処理（ステップＳ２０の処理、およびステップＳ２２の処理）を省略してもよい。

【0065】

・射出成形機１０の異常時におけるデータ（異常データ）を収集するとともに、異常データを訓練データとして用いて機械学習させることで、学習判定モデル２４１を生成および構築してもよい。異常データとしては、射出成形機１０の運転時におけるＡＥセンサの検出信号をもとに収集したデータを用いることができる。その他、ＧＡＮ（Generative Adversarial Network［敵対的生成ネットワーク］）を利用して異常時におけるデータを生成するとともに、同データを異常データとして用いることなども可能である。

【0066】

・学習判定モデル２４１を金型装置１１の交換の度に新たに構築するのではなく、学習済みの学習判定モデル２４１を大容量記憶部２４や記憶部２１２に予め記憶しておくようにしてもよい。そして、この学習済みの学習判定モデル２４１を、判定処理において利用するようにしてもよい。

【0067】

・上記実施形態にかかる異常検知システムは、射出成形機１０に適用することに限らず、マシニングセンターやプレス加工機など、同一の加工を繰り返し実行する製造装置にも適用することができる。

【0068】

＜付記＞
上記実施形態は、以下の付記に記載する構成を含む。
［付記１］同一の加工を繰り返し実行する製造装置の異常を検知する異常検知システムであって、前記製造装置に設けられたＡＥセンサによって前記製造装置における１回の加工を実行する実行期間におけるＡＥ波の時系列データを収集するデータ収集部と、前記時系列データの平均値、標準偏差、および最大値のうちの少なくとも１つを特徴量として学習された学習判定モデルを記憶する記憶部と、前記データ収集部によって収集される前記時系列データを入力データとして、前記記憶部に記憶された前記学習判定モデルをもとに、前記製造装置の異常の有無を判定するモデル判定部と、を備える異常検知システム。

【0069】

［付記２］前記学習判定モデルは、前記平均値、前記標準偏差、および前記最大値のうちの少なくとも２つを特徴量として学習されたモデルである［付記１］に記載の異常検知システム。

【0070】

［付記３］前記製造装置による前記加工を開始した当初の所定期間において、前記データ収集部により収集された前記時系列データを正常データとして用いて学習することで、前記学習判定モデルを構築するモデル構築部を有する［付記１］または［付記２］に記載の異常検知システム。

【0071】

［付記４］前記製造装置は、前記ＡＥセンサとして、測定周波数の異なる２種類のものが設けられており、前記データ収集部は、前記２種類の前記ＡＥセンサについて各別に前記時系列データを収集するものであり、前記記憶部は、前記２種類の前記ＡＥセンサについての前記時系列データをもとに学習された前記学習判定モデルを記憶するものである［付記１］～［付記３］のいずれか一つに記載の異常検知システム。

【0072】

［付記５］前記ＡＥセンサにより検出される前記ＡＥ波の強度が、予め定められた所定の瞬時判定値を超えたときに、前記製造装置を強制停止する瞬時判定部を備える［付記１］～［付記４］のいずれか一つに記載の異常検知システム。

【符号の説明】

【0073】

１０ 射出成形機
２０ 異常検知システム
２１ 制御装置
２１１ 制御部
２１２ 記憶部
２４ 大容量記憶部
２４１ 学習判定モデル
２４２ 検出データ
２５ ＡＥセンサ
２６ ＡＥセンサ
３０ 制御プログラム
３１ データ収集部
３３ モデル構築部
３４ モデル判定部
３６ 瞬時判定部

【図1】

【図2】

【図3】

【図4】

【図5】